Pandas基础操作（上）

最新推荐文章于 2023-12-14 17:41:58 发布
VIP文章 最新推荐文章于 2023-12-14 17:41:58 发布
阅读量4.1w 收藏 27
点赞数 6
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/spike1988zc/article/details/108089560
版权

文章目录

一、Pandas文件读取

1.pandas数据读取

pandas需要先读取表格类型的数据，然后进行分析

数据类型 说明 pandas读取方法
csv、tsv、txt 用逗号分隔、tab分割的纯文本文件 pd.read_csv
excel 微软xls或者xlsx文件 pd.read_excel
mysql 关系型数据库表 pd.read_sql

In [1]:

import pandas as pd

1、读取纯文本文件

1.1 读取csv，使用默认的标题行、逗号分隔符

In [2]:

fpath = "./pandas-learn-code/datas/ml-latest-small/ratings.csv"

In [3]:

# 使用pd.read_csv读取数据
ratings = pd.read_csv(fpath)

In [4]:

# 查看前几行数据
ratings.head()

Out[4]:

userId movieId rating timestamp
0 1 1 4.0 964982703
1 1 3 4.0 964981247
2 1 6 4.0 964982224
3 1 47 5.0 964983815
4 1 50 5.0 964982931

In [5]:

# 查看数据的形状，返回（行数、列数）
ratings.shape

Out[5]:

(100836, 4)

In [6]:

# 查看列名列表
ratings.columns

Out[6]:

Index(['userId', 'movieId', 'rating', 'timestamp'], dtype='object')

In [7]:

# 查看索引
ratings.index

Out[7]:

RangeIndex(start=0, stop=100836, step=1)

In [9]:

# 查看每列的数据类型
ratings.dtypes

Out[9]:

userId         int64
movieId        int64
rating       float64
timestamp      int64
dtype: object

1.2 读取txt文件，自己指定分隔符、列名

In [10]:

fpath = "./pandas-learn-code/datas/crazyant/access_pvuv.txt"

In [11]:

pvuv = pd.read_csv(fpath, sep="\t", header=None, names=["pdate","pv","uv"])
  • sep代表分隔符
  • header=none代表没有列名
  • names代表指定的列明

In [13]:

pvuv.head()

Out[13]:

pdate pv uv
0 2019-09-10 139 92
1 2019-09-09 185 153
2 2019-09-08 123 59
3 2019-09-07 65 40
4 2019-09-06 157 98

2、读取excel文件

In [18]:

fpath = "./pandas-learn-code/datas/crazyant/access_pvuv.xlsx"
pvuv = pd.read_excel(fpath)

In [19]:

pvuv

Out[19]:

日期 PV UV
0 2019-09-10 139 92
1 2019-09-09 185 153
2 2019-09-08 123 59
3 2019-09-07 65 40
4 2019-09-06 157 98
5 2019-09-05 205 151
6 2019-09-04 196 167
7 2019-09-03 216 176
8 2019-09-02 227 148
9 2019-09-01 105 61

3、读取sql文件

In [36]:

import pymysql
conn = pymysql.connect(
    host="127.0.0.1",
    user="root",
    password="123456",
    database="test",
    charset="utf8"
)

In [41]:

fpath = "./pandas-learn-code/datas/crazyant/test_crazyant_pvuv.sql"
mysql_page = pd.read_sql("select * from crazyant_pvuv", con=conn)

In [42]:

pvuv

Out[42]:

日期 PV UV
0 2019-09-10 139 92
1 2019-09-09 185 153
2 2019-09-08 123 59
3 2019-09-07 65 40
4 2019-09-06 157 98
5 2019-09-05 205 151
6 2019-09-04 196 167
7 2019-09-03 216 176
8 2019-09-02 227 148
9 2019-09-01 105 61

二、pandas的数据结构DataFrame和Series

DataFrame：二维数据，整个表格，多行多列

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tT4RRssV-1597761927694)(C:\Users\z&y\AppData\Roaming\Typora\typora-user-images\image-20200730213558995.png)]

In [1]:

import pandas as pd
import numpy as np

1.Series

Series是一种类似于一维数组的对象，它由一组数据（不同数据类型）以及一组与之相关的数据标签（即索引）组成。

1.1 仅有数据列表即可生产最简单的Series

In [3]:

s1 = pd.Series([1,'a',5.2,7])

In [5]:

# 左侧为索引，右侧是数据
s1.head()

Out[5]:

0      1
1      a
2    5.2
3      7
dtype: object

In [6]:

# 获取索引
s1.index

Out[6]:

RangeIndex(start=0, stop=4, step=1)

In [7]:

# 获取数据
s1.values

Out[7]:

array([1, 'a', 5.2, 7], dtype=object)

1.2 创建一个具有标签索引的Series

In [8]:

s2 = pd.Series([1,'a',5.2,7], index=['a','b','c','d'])

In [9]:

s2

Out[9]:

a      1
b      a
c    5.2
d      7
dtype: object

In [10]:

s2.index

Out[10]:

Index(['a', 'b', 'c', 'd'], dtype='object')

1.3 使用python字典创建Series

In [11]:

sdata = {'Ohio':35000, 'Texas':72000, 'Oregon':16000, 'Utah':5000}

In [13]:

s3 = pd.Series(sdata)

In [14]:

# 字典的key成为了Series的索引
s3

Out[14]:

Ohio      35000
Texas     72000
Oregon    16000
Utah       5000
dtype: int64

1.4 根据数据标签索引查询数据

类似python的字典dict

In [15]:

s2

Out[15]:

a      1
b      a
c    5.2
d      7
dtype: object

In [20]:

s2['a']

Out[20]:

1

In [21]:

# 查询一个值,返回查询值的数据类型
type(s2['a'])

Out[21]:

int

In [18]:

# 一次查询多个值
s2[['a','b','c']]

Out[18]:

a      1
b      a
c    5.2
dtype: object

In [22]:

# 查询多个值,返回的还是Series
type(s2[['a','b','c']])

Out[22]:

pandas.core.series.Series

2. DataFrame

DataFrame是一个表格型的数据结构

  • 每列可以是不同的值类型(数值,字符串,布尔值等)
  • 既有行索引index,也有列索引columns
  • 可以被看做由Series组成的字典

2.1 根据多个字典序列创建DataFrame

In [24]:

data = {
    'state':['Ohio','Ohio','Ohio','Nevada','Nevada'],
    'year':[2000,2001,2002,2003,2004],
    'pop':[1.5,1.7,3.6,2.4,2.9]
}
df = pd.DataFrame(data)

In [25]:

df

Out[25]:

state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2003 2.4
4 Nevada 2004 2.9

In [26]:

df.dtypes

Out[26]:

state     object
year       int64
pop      float64
dtype: object

In [27]:

df.columns

Out[27]:

Index(['state', 'year', 'pop'], dtype='object')

In [28]:

df.index

Out[28]:

RangeIndex(start=0, stop=5, step=1)

从DataFrame中查询出Series

  • 如果只查询一列,一列,返回的是pd.Series
  • 如果查询多行,多列,返回的是pd.DataFrame

In [29]:

df

Out[29]:

state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2003 2.4
4 Nevada 2004 2.9

3.1 查询一列,结果是一个pd.Series

In [30]:

df['year']

Out[30]:

0    2000
1    2001
2    2002
3    2003
4    2004
Name: year, dtype: int64

In [35]:

# 返回的是一个Series
type(df['year'])

Out[35]:

pandas.core.series.Series

3.2 查询多列,结果是一个pd.DataFrame

In [33]:

df[['year', 'pop']]

Out[33]:

year pop
0 2000 1.5
1 2001 1.7
2 2002 3.6
3 2003 2.4
4 2004 2.9

In [34]:

# 返回的结果是一个DataFrame
type(df[['year','pop']])

Out[34]:

pandas.core.frame.DataFrame

3.3 查询一行,结果是一个pd.Series

In [39]:

df.loc[0]

Out[39]:

state    Ohio
year     2000
pop       1.5
Name: 0, dtype: object

In [40]:

type(df.loc[0])

Out[40]:

pandas.core.series.Series

3.4 查询多行,结果是一个pd.DataFrame

In [41]:

# DataFrame中切片会返回结尾的数据
df.loc[0:3]

Out[41]:

state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2003 2.4

In [42]:

type(df.loc[0:3])

Out[42]:

pandas.core.frame.DataFrame

三.Pandas查询数据的5种方法

Pandas查询数据的几种方法

  1. df.loc方法,根据行,列的标签值查询
  2. df.iloc方法,根据行,列的数字位置查询
  3. df.where方法
  4. df.query方法

.loc方法既能查询,又能覆盖写入,推荐使用此方法

Pandas使用df.loc查询数据的方法

  1. 使用单个label值查询数据
  2. 使用值列表批量查询
  3. 使用数值区间进行范围查询
  4. 使用条件表达式查询
  5. 调用函数查询

注意

  • 以上查询方法,既适用于行,也适用于列

In [3]:

import pandas as pd

0. 读取数据

数据为北京2018年全年天气预报

In [4]:

df = pd.read_csv("./pandas-learn-code/datas/beijing_tianqi/beijing_tianqi_2018.csv")

In [5]:

df.head()

Out[5]:

ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
0 2018-01-01 3℃ -6℃ 晴~多云 东北风 1-2级 59 良 2
1 2018-01-02 2℃ -5℃ 阴~多云 东北风 1-2级 49 优 1
2 2018-01-03 2℃ -5℃ 多云 北风 1-2级 28 优 1
3 2018-01-04 0℃ -8℃ 阴 东北风 1-2级 28 优 1
4 2018-01-05 3℃ -6℃ 多云~晴 西北风 1-2级 50 优 1

In [6]:

# 设定索引为日期,方便按日期筛选
df.set_index('ymd', inplace=True)

In [7]:

df.head()

Out[7]:

bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
ymd
2018-01-01 3℃ -6℃ 晴~多云 东北风 1-2级 59 良 2
2018-01-02 2℃ -5℃ 阴~多云 东北风 1-2级 49 优 1
2018-01-03 2℃ -5℃ 多云 北风 1-2级 28 优 1
2018-01-04 0℃ -8℃ 阴 东北风 1-2级 28 优 1
2018-01-05 3℃ -6℃ 多云~晴 西北风 1-2级 50 优 1

In [8]:

# 时间序列见后续课程,本次按字符串处理
df.index

Out[8]:

Index(['2018-01-01', '2018-01-02', '2018-01-03', '2018-01-04', '2018-01-05',
       '2018-01-06', '2018-01-07', '2018-01-08', '2018-01-09', '2018-01-10',
       ...
       '2018-12-22', '2018-12-23', '2018-12-24', '2018-12-25', '2018-12-26',
       '2018-12-27', '2018-12-28', '2018-12-29', '2018-12-30', '2018-12-31'],
      dtype='object', name='ymd', length=365)

In [9]:

# 替换掉温度的后缀℃
# df.loc[:]表示筛选出所有的行
df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃","").astype('int32')
df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃","").astype('int32')

In [10]:

# bWendu和yWendu改为int类型
df.dtypes

Out[10]:

bWendu        int32
yWendu        int32
tianqi       object
fengxiang    object
fengli       object
aqi           int64
aqiInfo      object
aqiLevel      int64
dtype: object

1. 使用单个label值查询数据

行或者列,都可以只传入单个值,实现精确匹配

In [11]:

# 得到单个值
df.loc['2018-01-03','bWendu']

Out[11]:

2

In [12]:

# 得到一个Series
df.loc['2018-01-03',['bWendu', 'yWendu']]

Out[12]:

bWendu     2
yWendu    -5
Name: 2018-01-03, dtype: object

2. 使用值列进行表批量查询

In [13]:

# 得到Series
df.loc[['2018-01-03','2018-01-04','2018-01-05'], 'bWendu']

Out[13]:

ymd
2018-01-03    2
2018-01-04    0
2018-01-05    3
Name: bWendu, dtype: int32

In [14]:

# 得到DataFrame
df.loc[['2018-01-03','2018-01-04','2018-01-05'], ['bWendu','yWendu']]

Out[14]:

bWendu yWendu
ymd
2018-01-03 2 -5
2018-01-04 0 -8
2018-01-05 3 -6

3. 使用数值区间进行范围查询

注意:区间既包含开始,也包含结束

In [15]:

# 行index按区间
df.loc['2018-01-03':'2018-01-05', 'bWendu']

Out[15]:

ymd
2018-01-03    2
2018-01-04    0
2018-01-05    3
Name: bWendu, dtype: int32

In [16]:

# 列index按区间
df.loc['2018-01-03','bWendu':'fengxiang']

Out[16]:

bWendu        2
yWendu       -5
tianqi       多云
fengxiang    北风
Name: 2018-01-03, dtype: object

In [17]:

# 行和列都按区间查询
df.loc['2018-01-03':'2018-01-05','bWendu':'fengxiang']

Out[17]:

bWendu yWendu tianqi fengxiang
ymd
2018-01-03 2 -5 多云 北风
2018-01-04 0 -8 阴 东北风
2018-01-05 3 -6 多云~晴 西北风

4. 使用条件表达式查询

bool列表的长度得等于行数或者列数

In [23]:

df.loc[df["yWendu"]<-10,:]

Out[23]:

bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
ymd
2018-01-23 -4 -12 晴 西北风 3-4级 31 优 1
2018-01-24 -4 -11 晴 西南风 1-2级 34 优 1
2018-01-25 -3 -11 多云 东北风 1-2级 27 优 1
2018-12-26 -2 -11 晴~多云 东北风 2级 26 优 1
2018-12-27 -5 -12 多云~晴 西北风 3级 48 优 1
2018-12-28 -3 -11 晴 西北风 3级 40 优 1
2018-12-29 -3 -12 晴 西北风 2级 29 优 1
2018-12-30 -2 -11 晴~多云 东北风 1级 31 优 1

In [24]:

df["yWendu"]<-10

Out[24]:

ymd
2018-01-01    False
2018-01-02    False
2018-01-03    False
2018-01-04    False
2018-01-05    False
2018-01-06    False
2018-01-07    False
2018-01-08    False
2018-01-09    False
2018-01-10    False
2018-01-11    False
2018-01-12    False
2018-01-13    False
2018-01-14    False
2018-01-15    False
2018-01-16    False
2018-01-17    False
2018-01-18    False
2018-01-19    False
2018-01-20    False
2018-01-21    False
2018-01-22    False
2018-01-23     True
2018-01-24     True
2018-01-25     True
2018-01-26    False
2018-01-27    False
2018-01-28    False
2018-01-29    False
2018-01-30    False
              ...  
2018-12-02    False
2018-12-03    False
2018-12-04    False
2018-12-05    False
2018-12-06    False
2018-12-07    False
2018-12-08    False
2018-12-09    False
2018-12-10    False
2018-12-11    False
2018-12-12    False
2018-12-13    False
2018-12-14    False
2018-12-15    False
2018-12-16    False
2018-12-17    False
2018-12-18    False
2018-12-19    False
2018-12-20    False
2018-12-21    False
2018-12-22    False
2018-12-23    False
2018-12-24    False
2018-12-25    False
2018-12-26     True
2018-12-27     True
2018-12-28     True
2018-12-29     True
2018-12-30     True
2018-12-31    False
Name: yWendu, Length: 365, dtype: bool

复杂条件查询，查询一下完美得天气

  • 注意，组合条件用&符号合并，每个条件判断都得带括号

In [29]:

df.loc[(df["bWendu"]<=30) & (df["yWendu"]>=15) & (df["tianqi"]=="晴") & (df["aqiLevel"]==1),:]

Out[29]:

bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
ymd
2018-08-24 30 20 晴 北风 1-2级 40 优 1
2018-09-07 27 16 晴 西北风 3-4级 22 优 1

In [30]:

(df["bWendu"]<=30) & (df["yWendu"]>=15) & (df["tianqi"]=="晴") & (df["aqiLevel"]==1)

Out[30]:

ymd
2018-01-01    False
2018-01-02    False
2018-01-03    False
2018-01-04    False
2018-01-05    False
2018-01-06    False
2018-01-07    False
2018-01-08    False
2018-01-09    False
2018-01-10    False
2018-01-11    False
2018-01-12    False
2018-01-13    False
2018-01-14    False
2018-01-15    False
2018-01-16    False
2018-01-17    False
2018-01-18    False
2018-01-19    False
2018-01-20    False
2018-01-21    False
2018-01-22    False
2018-01-23    False
2018-01-24    False
2018-01-25    False
2018-01-26    False
2018-01-27    False
2018-01-28    False
2018-01-29    False
2018-01-30    False
              ...  
2018-12-02    False
2018-12-03    False
2018-12-04    False
2018-12-05    False
2018-12-06    False
2018-12-07    False
2018-12-08    False
2018-12-09    False
2018-12-10    False
2018-12-11    False
2018-12-12    False
2018-12-13    False
2018-12-14    False
2018-12-15    False
2018-12-16    False
2018-12-17    False
2018-12-18    False
2018-12-19    False
2018-12-20    False
2018-12-21    False
2018-12-22    False
2018-12-23    False
2018-12-24    False
2018-12-25    False
2018-12-26    False
2018-12-27    False
2018-12-28    False
2018-12-29    False
2018-12-30    False
2018-12-31    False
Length: 365, dtype: bool

5. 调用函数查询

In [31]:

# 直接写lambda表达式
df.loc[lambda df: (df["bWendu"]<=30) & (df["yWendu"]>=15),:]

Out[31]:

bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
ymd
2018-04-28 27 17 晴 西南风 3-4级 125 轻度污染 3
2018-04-29 30 16 多云 南风 3-4级 193 中度污染 4
2018-05-04 27 16 晴~多云 西南风 1-2级 86 良 2
2018-05-09 29 17 晴~多云 西南风 3-4级 79 良 2
2018-05-10 26 18 多云 南风 3-4级 118 轻度污染 3
2018-05-11 24 15 阴~多云 东风 1-2级 106 轻度污染 3
2018-05-12 28 16 小雨 东南风 3-4级 186 中度污染 4
2018-05-13 30 17 晴 南风 1-2级 68 良 2
2018-05-16 29 21 多云~小雨 东风 1-2级 142 轻度污染 3
2018-05-17 25 19 小雨~多云 北风 1-2级 70 良 2
2018-05-18 28 16 多云~晴 南风 1-2级 49 优 1
2018-05-19 27 16 多云~小雨 南风 1-2级 69 良 2
2018-05-20 21 16 阴~小雨 东风 1-2级 54 良 2
2018-05-23 29 15 晴 西南风 3-4级 153 中度污染 4
2018-05-26 30 17 小雨~多云 西南风 3-4级 143 轻度污染 3
2018-05-28 30 16 晴 西北风 4-5级 178 中度污染 4
2018-06-09 23 17 小雨 北风 1-2级 45 优 1
2018-06-10 27 17 多云 东南风 1-2级 51 良 2
2018-06-11 29 19 多云 西南风 3-4级 85 良 2
2018-06-13 28 19 雷阵雨~多云 东北风 1-2级 73 良 2
2018-06-18 30 21 雷阵雨 西南风 1-2级 112 轻度污染 3
2018-06-22 30 21 雷阵雨~多云 东南风 1-2级 83 良 2
2018-07-08 30 23 雷阵雨 南风 1-2级 73 良 2
2018-07-09 30 22 雷阵雨~多云 东南风 1-2级 106 轻度污染 3
2018-07-10 30 22 多云~雷阵雨 南风 1-2级 48 优 1
2018-07-11 25 22 雷阵雨~大雨 东北风 1-2级 44 优 1
2018-07-12 27 22 多云 南风 1-2级 46 优 1
2018-07-13 28 23 雷阵雨 东风 1-2级 60 良 2
2018-07-17 27 23 中雨~雷阵雨 西风 1-2级 28 优 1
2018-07-24 28 26 暴雨~雷阵雨 东北风 3-4级 29 优 1
… … … … … … … … …
2018-08-11 30 23 雷阵雨~中雨 东风 1-2级 60 良 2
2018-08-12 30 24 雷阵雨 东南风 1-2级 74 良 2
2018-08-14 29 24 中雨~小雨 东北风 1-2级 42 优 1
2018-08-16 30 21 晴~多云 东北风 1-2级 40 优 1
2018-08-17 30 22 多云~雷阵雨 东南风 1-2级 69 良 2
2018-08-18 28 23 小雨~中雨 北风 3-4级 40 优 1
2018-08-19 26 23 中雨~小雨 东北风 1-2级 37 优 1
2018-08-22 28 21 雷阵雨~多云 西南风 1-2级 48 优 1
2018-08-24 30 20 晴 北风 1-2级 40 优 1
2018-08-27 30 22 多云~雷阵雨 东南风 1-2级 89 良 2
2018-08-28 29 22 小雨~多云 南风 1-2级 58 良 2
2018-08-30 29 20 多云 南风 1-2级 47 优 1
2018-08-31 29 20 多云~阴 东南风 1-2级 48 优 1
2018-09-01 27 19 阴~小雨 南风 1-2级 50 优 1
2018-09-02 27 19 小雨~多云 南风 1-2级 55 良 2
2018-09-03 30 19 晴 北风 3-4级 70 良 2
2018-09-06 27 18 多云~晴 西北风 4-5级 37 优 1
2018-09-07 27 16 晴 西北风 3-4级 22 优 1
2018-09-08 27 15 多云~晴 北风 1-2级 28 优 1
2018-09-09 28 16 晴 西南风 1-2级 51 良 2
2018-09-10 28 19 多云 南风 1-2级 65 良 2
2018-09-11 26 19 多云 南风 1-2级 68 良 2
2018-09-12 29 19 多云 南风 1-2级 59 良 2
2018-09-13 29 20 多云~阴 南风 1-2级 107 轻度污染 3
2018-09-14 28 19 小雨~多云 南风 1-2级 128 轻度污染 3
2018-09-15 26 15 多云 北风 3-4级 42 优 1
2018-09-17 27 17 多云~阴 北风 1-2级 37 优 1
2018-09-18 25 17 阴~多云 西南风 1-2级 50 优 1
2018-09-19 26 17 多云 南风 1-2级 52 良 2
2018-09-20 27 16 多云 西南风 1-2级 63 良 2

64 rows × 8 columns

In [33]:

# 编写自己的函数，查询9月份，空气质量好的数据
def query_my_data(df):
    return df.index.str.startswith("2018-09") & (df["aqiLevel"]==1)
df.loc[query_my_data,:]

Out[33]:

bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
ymd
2018-09-01 27 19 阴~小雨 南风 1-2级 50 优 1
2018-09-04 31 18 晴 西南风 3-4级 24 优 1
2018-09-05 31 19 晴~多云 西南风 3-4级 34 优 1
2018-09-06 27 18 多云~晴 西北风 4-5级 37 优 1
2018-09-07 27 16 晴 西北风 3-4级 22 优 1
2018-09-08 27 15 多云~晴 北风 1-2级 28 优 1
2018-09-15 26 15 多云 北风 3-4级 42 优 1
2018-09-16 25 14 多云~晴 北风 1-2级 29 优 1
2018-09-17 27 17 多云~阴 北风 1-2级 37 优 1
2018-09-18 25 17 阴~多云 西南风 1-2级 50 优 1
2018-09-21 25 14 晴 西北风 3-4级 50 优 1
2018-09-22 24 13 晴 西北风 3-4级 28 优 1
2018-09-23 23 12 晴 西北风 4-5级 28 优 1
2018-09-24 23 11 晴 北风 1-2级 28 优 1
2018-09-25 24 12 晴~多云 南风 1-2级 44 优 1
2018-09-29 22 11 晴 北风 3-4级 21 优 1
2018-09-30 19 13 多云 西北风 4-5级 22 优 1

四、Pandas怎样新增数据列

In [1]:

import pandas as pd

0. 读取csv数据到DataFrame

In [15]:

df = pd.read_csv("./pandas-learn-code/datas/beijing_tianqi/beijing_tianqi_2018.csv")

In [16]:

df.head()

Out[16]:

ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel
0 2018-01-01 3℃ -6℃ 晴~多云 东北风 1-2级 59 良 2
1 2018-01-02 2℃ -5℃ 阴~多云 东北风 1-2级 49 优 1
2 2018-01-03 2℃ -5℃ 多云 北风 1-2级 28 优 1
3 2018-01-04 0℃ -8℃ 阴 东北风 1-2级 28 优 1
4 2018-01-05 3℃ -6℃ 多云~晴 西北风 1-2级 50 优 1

1. 直接赋值的方法

实例：清理温度列，变成数字类型

In [31]:

df.loc[:,"bWendu"] = df["bWendu"].str.replace("℃","").astype('int32')
df.loc[:,"yWendu"] = df["yWendu"].str.replace("℃","").astype('int32')
实例：计算温差

In [49]:

del df["bWendnu"]

In [51]:

del df["bWednu"]

In [52]:

# 注意，fpath["bWendu"]其实是一个Series，后面的减法返回的是Series
df.loc[:,"wencha"] = df["bWendu"] - df["yWendu"]

In [53]:

df.head()

Out[53]:

ymd bWendu yWendu tianqi fengxiang fengli aqi aqiInfo aqiLevel wencha
0 2018-01-01 3 -6 晴~多云 东北风 1-2级 59 良 2 9
1 2018-01-02 2 -5 阴~多云 东北风 1-2级 49 优 1 7
2 2018-01-03 2 -5 多云 北风 1-2级 28 优 1 7
3 2018-01-04 0 -8 阴 东北风 1-2级 28 优 1 8
4 2018-01-05 3 -6 多云~晴 西北风 1-2级 50 优 1 9
最低0.47元/天 解锁文章
1152：从入门到脱发
关注
  • 6
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
pandas基础操作1.0
12-22
pandas基础操作 一、pandas常用数据类型 1、Series 一维，带标签数组 2、DataFrame，二维，Series容器 二、创建 series 1、Series的创建（直接接受一个数组，默认的index是0开始的序列） import pandas as pd import string t = pd.Series([1,2,3,4]) Out[1]: 0 1 1 2 2 3 3 4 dtype: int64 type(t) #pandas.core.series.Series In [2]: pd.Series(np.arange(12),ind
夏姬霸整理的关于SSM及其整合的笔记
桎铭的博客
07-06 2669
文章目录框架使用框架的好处三层架构表现层业务层持久层Mybatismybatis的环境搭建mybatis环境搭建的注意事项基于配置文件的crud主配置文件映射配置文件返回新增用户的ID模糊查询区别实体类属性和数据库字段不一致的两种解决方案给实体类取别名Mybatis的事务控制动态sql条件查询根据多个id查询抽取sql片断mybatis基于注解的使用】多表查询一对一（多对一）多对多或一对多优化策略延迟加载缓存一级缓存二级缓存SpringIOC 控制反转容器bean的创建方式bean的作用范围bean的生命周
【猿人学WEB题目专解】猿人学第18题
热门推荐
user_from_future的博客
05-18 2万+
第十八题 jsvmp 洞察先机 - 猿人学
JS加密/解密之JSX解密解析(photoshop插件)
mxd01848的博客
12-14 1119
Adobe Photoshop 插件通常使用 JSX（JavaScript XML）脚本语言。这是一种基于JavaScript的扩展，专门设计用于处理Adobe Creative Suite（包括Photoshop）的任务。JSX脚本允许开发者编写自定义脚本以扩展和增强Photoshop的功能。JSX脚本与普通的JavaScript语法有些不同，因为它结合了XML或HTML样式的标记。这使得编写与用户界面相关的任务更加直观，并且有助于在脚本中表示和操作图形元素。
[C++ ZIP] a class for zip
MAC 应用开发
01-13 1万+
CPP code: //for my VC++6.0 MFC Project. #include "StdAfx.h" #include #include #include #include "zip.h" // THIS FILE is almost entirely based upon code by info-zip. // It has been modified by
SpringBoot入门
cccccccmmm的博客
11-27 7870
Spring是一个非常优秀的轻量级框架，以IOC（控制反转）和AOP（面向切面）为思想内核，极大简化了JAVA企业级项目的开发。虽然Spring的组件代码是轻量级的，但它的配置却是重量级的。使用Spring进行项目开发需要在配置文件中写很多代码，所有这些配置都代表了开发时的损耗。除此之外，Spring项目的依赖管理也是一件耗时耗力的事情。在环境搭建时，需要分析要导入哪些库的坐标，而且还需要分析导入与之有依赖关系的其他库的坐标，一旦选错了依赖的版本，随之而来的不兼容问题就会严重阻碍项目的
Linux常识
qq_39815966的博客
01-10 3549
自学kali常用工具艰难的自学之路啊杂记windows常用命令wireshark开启后无法显示网卡信息解决办法Linux常用命令1.另一个程序可能也在编辑同一个文件。 如果是这样，修改时请注意避免同一个文件产生两个不同的版本。 退出，或小心地继续。 2. 上次编辑此文件时崩溃。 如果是这样，请用 ":recover" 或 "vim -r nginx.conf" 恢复...
java连接MongoDB与MongoDB增删改查详解
zlnn3344的博客
12-05 9928
1.MongoDB简介1.1什么是MongoDBMongoDB 是一个跨平台的，面向文档的数据库，是当前 NoSQL 数据库产品中最热门的一种。它介于关系数据库和非关系数据库之间，是非关系数据库当中功能最丰富，最像关系数据库的产品。它支持的数据结构非常松散，是类似JSON 的 BSON 格式，因此可以存储比较复杂的数据类型。 MongoDB 的官方网站地址是：http://www.mongodb
Java加密技术
beiyouqiang的专栏
02-23 6846
转自：http://www.cnblogs.com/duanxz/archive/2012/12/24/2830736.html 如基本的单向加密算法：  BASE64 严格地说，属于编码格式，而非加密算法MD5(Message Digest algorithm 5，信息摘要算法)SHA(Secure Hash Algorithm，安全散列算法)HMAC(Hash Message
SpringMVC入门案例
m0_73414953的博客
12-12 3571
SpringMVC入门案例
pandas基础操作知识
09-23
pandas基础操作知识
Pandas基础操作.pdf
05-24
这份资源提供了Pandas库的基础操作方法，让您可以更好地使用Pandas库进行数据处理和分析。Pandas是一个开源的数据分析工具，提供了丰富的数据结构和数据处理方法，可以帮助您快速地处理和分析数据，提高工作效率。 ...
Numpy Pandas Matplotlib Seaborn基本操作
06-23
Numpy Pandas Matplotlib Seaborn都是进行机器学习数据分析的基本库。 NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list ...
Python数据分析库pandas基本操作方法
12-24
pandas是什么？ 是它吗？ 。。。。很显然pandas没有这个家伙那么可爱。。。。 我们来看看pandas的官网是怎么来定义自己的： pandas is an open source, easy-to-use data structures and data analysis tools for ...
多图表实现员工满意度调查数据分析python
04-22
员工满意度是指员工对于工作环境、待遇、职业发展和组织管理等方面的满意程度。它是衡量员工对工作的整体感受和情绪状态的重要指标。
2020届软件工程本科毕业生毕业设计项目.zip
04-22
2020届软件工程本科毕业生毕业设计项目
基于stm32平衡小车
04-22
平衡小车 基于stm32 平衡小车 基于stm32 平衡小车 基于stm32
c语言火车票订票管理源码.rar
04-22
c语言火车票订票管理源码.rar
施耐德PLC例程源码四台水泵的轮换
最新发布
04-22
施耐德PLC例程源码四台水泵的轮换提取方式是百度网盘分享地址
pandas基础操作
08-27
以下是一些常见的pandas基础操作： 1. 导入pandas库：使用`import pandas as pd`导入pandas库。 2. 创建DataFrame：DataFrame是pandas中最重要的数据结构，类似于一张表格。可以通过多种方式创建DataFrame，例如从...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值